Scrapy

• 安装
  • pip install Scrapy
• 创建项目
  • scrapy startproject projectname
• 原理
  • 
  • scrapy.cfg
    • 一般不改。只是settings.py的位置、deploy的Project名称。
  • settings.py
    • 一些配置。一般也就改改ROBOTSTXT_OBEY、COOKIES_ENABLED、DEFAULT_REQUEST_HEADERS什么的。
  • middlewares.py
    • 可以重写许多方法。比如在process_request(self, request, spider)增加cookie
  • spiders/
    • 可以放多个spider。
    • 每个XxxSpider均继承自scrapy.Spider
    • name：spider的名称，可用于运行时当做参数指定要执行哪个spider
    • allowed_domains：允许爬取的域名。避免爬到其他网站去了？
    • start_urls：数组。开始进行爬取的根url。
    • 自定义parse(self, response)函数
      • 从response中使用xpath解析、组织出数据，然后放到自己定义了结构的item对象中，然后通过yield item完成工作，
    • start_requests(self)
      • 相当于这个spider的入口函数，默认实现是用parse(self, response)函数循环处理start_urls中的所有入口地址
      • 因此如果在这个函数中为请求加入cookie，注意也要同样循环处理start_urls中的所有入口地址
    • parse(self, response)
      • 默认只有这一级，但其实可以自定义多级，用于处理如先抓列表页再抓详情页的需求
      • 返回值如果是yield item，那么就是结束了这一次请求，并已提取出item交由对应的pipeline处理
      • 返回值如果是yield Request，那么就是进行下一层的请求和处理，比如前面说的先抓列表页再抓详情页的需求
  • items.py
    • 可以定义多个XxxItem类
    • 每个XxxItem类都继承自scrapy.Item
    • 可以定义业务所需的多个字段，如id = scrapy.Field()
  • pipelines.py
    • 必须打开settings.py中的ITEM_PIPELINES开关，其中包含多个值，都是pipelines.py中定义的pipeline
    • init(self)
      • 初始化
    • 自定义process_item(self, item, spider)函数
      • 对spider抓取、解析并传过来的item进行进一步操作，如持久化。
    • spider_closed(self, spider)
      • 做资源回收等处理
• 运行
  • scrapy crawl spidername -o items.json
    • spidername是spiders目录下某个想要运行的spider的名字的前半部分，比如想运行cnblogs_spiders.py的话，就用命令scrapy crawl cnblogs。
    • 即使是没有实现item对应的pipeline，也可能用默认的持久化行为存到items.json中，使用 -o items.json参数即可。
• 调试
  • 使用cmd执行scrapy命令的话，不便于调试
  • 增加一个start.py，用来起一个进程运行爬虫。
  • 貌似调试不到pipelines.py里面去

import scrapy
from scrapy.crawler import CrawlerProcess
from spiders.cnblogs_spider import CnblogsSpider

process = CrawlerProcess({
    'USER_AGENT': 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)'
})

process.crawl(CnblogsSpider)
process.start() # the script will block here until the crawling is finished

• 其他
  • settings.py中的ROBOTSTXT_OBEY
    • 这是因为业内有个robot协议，被爬取的网站可以通过在robots.txt中设置规则，不允许爬取其中某些资源。
    • 默认为True。也就是说Scrapy默认是遵循robot协议的。如果爬取了禁止的资源，就会出现Forbidden by robots.txt错误。这时如果开发者坚持要爬取，那么就要把这个值改成False。
  • 自动登陆
    • 方法一：先访问登录页登陆
      • 在抓取数据之前，先访问登陆界面进行Form登陆，然后转回抓数据的入口地址继续进行。
      • 问题是，很多网站有反爬取措施，比如验证码、回答问题等。绕过比较麻烦。。。
    • 方法二：先直接手动登陆再将Cookie信息放到抓取请求中
      • 有多种方式可以往请求中放Cookie信息，比如在settings.py和middlewares.py中。但貌似比较靠谱的是重写start_requests方法（其实也能修改header等信息）。
      • 问题是，每次都要手动更新一下Cookie信息，有点麻烦，不过还能接受。。。

# -*- coding: utf-8 -*-
import scrapy

from BlogCrawler.items import CnblogsPostItem
from scrapy.http import Request


class CnblogsSpider(scrapy.Spider):
    # spider name
    name = 'cnblogs'

    # allowed domains
    allowed_domains = ['i.cnblogs.com']

    # entry urls
    start_urls = [
        'https://i.cnblogs.com/posts',
        'https://i.cnblogs.com/posts?page=2',
        'https://i.cnblogs.com/posts?page=3',
        'https://i.cnblogs.com/posts?page=4',
        'https://i.cnblogs.com/posts?page=5',
        'https://i.cnblogs.com/posts?page=6',
        'https://i.cnblogs.com/posts?page=7',
        'https://i.cnblogs.com/posts?page=8',
        'https://i.cnblogs.com/posts?page=9',
        'https://i.cnblogs.com/posts?page=10',
        'https://i.cnblogs.com/posts?page=11',
        'https://i.cnblogs.com/posts?page=12',
        'https://i.cnblogs.com/posts?page=13',
        'https://i.cnblogs.com/posts?page=14',
        'https://i.cnblogs.com/posts?page=15',
        'https://i.cnblogs.com/posts?page=16',
        'https://i.cnblogs.com/posts?page=17',
        'https://i.cnblogs.com/posts?page=18',
        'https://i.cnblogs.com/posts?page=19',
        'https://i.cnblogs.com/posts?page=20',
        'https://i.cnblogs.com/posts?page=21',
        'https://i.cnblogs.com/posts?page=22',
        'https://i.cnblogs.com/posts?page=23',
        'https://i.cnblogs.com/posts?page=24',
        'https://i.cnblogs.com/posts?page=25',
        'https://i.cnblogs.com/posts?page=26'
    ]

    # def start_requests(self):
    #     url = 'https://account.cnblogs.com/signin'
    #     data = {
    #         'email': 'wangyeping1988',
    #         'password': 'bk1517P@ssword',
    #     }
    #     request = scrapy.FormRequest(url, formdata=data, callback=self.parse_page)
    #     yield request
    #
    # def parse_page(self, response):
    #     url2 = 'http://www.renren.com/880792860/profile'
    #     request = scrapy.Request(url2 ,callback=self.parse_profile)
    #     yield request

    # def start_requests(self):
    #     headers = {
    #         "User-Agent": "Mozilla/5.0 (Windows NT 6.1; Win64; x64; rv:59.0) Gecko/20100101 Firefox/59.0"}
    #
    #     cookies = {
    #         '.CNBlogsCookie': '6E0D581D816B40292F2CB163F9E2F6103933AE513E86496338B4D8098A447EF63939A0742F7BE1D09364AC1F46272E1B53175A0051B2F2E21476A6051F5FDD91E83A0AED5B2DA4AE02AD96225882AAA12602975F5AB90A169A851961F9B37D620F8C4D34',
    #         '.Cnblogs.AspNetCore.Cookies': 'CfDJ8BQYbW6Qx5RFuF4UTI7QvU118ut7nAbYfnRl0pAOtKCjq7-cwYn6CHWAbA4QwiOkwSvZ1jQu1PYse-z8i-D_Sl-rkl63Nvg_1w-vFssT77vMeEvCbSy2uwWYWHizRZbSazW4aoSLECfVWxioywacv3ZCzryhWkSfV2OKd-6EmsAnijvZ59eW1kYNH1keRodIMGM7k9Il2OvnOVOWSQysJbQPoYrR1uvHPY62avfQdQVhjHt7JhXhz5euovH6kVgZqFeIjUTCyqR6jc1LfS488Kr7-wVb-VMoLGYJFHKW_P2gEwzEImLJg3vYU-_Pp0NH333rhEiKaDnIHS3Y-WUpgaY9tAXSswLYTPFWCuBAe5SeY9nbRQqU9EJuix_fA0StJaNS1Nbc9MoW4LhRxctWJ_8HmnKhjuKW40d4bewALIJpJYot2X8FsS-NTr0LaPsJ4rAAS-zp4K9vlpKW_SsPe29STe_GJ0VKB0p2C18sX7WC',
    #         'SERVERID': '04ead23841720026ba009cb4f597ec8c|1566653061|1566652046',
    #         '__gads': 'ID=ae065093c3816478:T=1523979454:S=ALNI_MYA9AUiW8F72qKRLOTLGedFqt2nLw',
    #         '_ga': 'GA1.2.1968144735.1498924730',
    #         '_gid': 'GA1.2.466366568.1566609068'
    #     }
    #
    #     yield Request(detailUrl, headers=headers, cookies=cookies, callback=self.detail_parse, meta={'myItem': item},
    #                   dont_filter=True)

    def start_requests(self):
        for url in self.start_urls:
            yield scrapy.Request(
                url,
                cookies={
                    '.CNBlogsCookie': '6E0D581D816B40292F2CB163F9E2F6103933AE513E86496338B4D8098A447EF63939A0742F7BE1D09364AC1F46272E1B53175A0051B2F2E21476A6051F5FDD91E83A0AED5B2DA4AE02AD96225882AAA12602975F5AB90A169A851961F9B37D620F8C4D34',
                    '.Cnblogs.AspNetCore.Cookies': 'CfDJ8BQYbW6Qx5RFuF4UTI7QvU118ut7nAbYfnRl0pAOtKCjq7-cwYn6CHWAbA4QwiOkwSvZ1jQu1PYse-z8i-D_Sl-rkl63Nvg_1w-vFssT77vMeEvCbSy2uwWYWHizRZbSazW4aoSLECfVWxioywacv3ZCzryhWkSfV2OKd-6EmsAnijvZ59eW1kYNH1keRodIMGM7k9Il2OvnOVOWSQysJbQPoYrR1uvHPY62avfQdQVhjHt7JhXhz5euovH6kVgZqFeIjUTCyqR6jc1LfS488Kr7-wVb-VMoLGYJFHKW_P2gEwzEImLJg3vYU-_Pp0NH333rhEiKaDnIHS3Y-WUpgaY9tAXSswLYTPFWCuBAe5SeY9nbRQqU9EJuix_fA0StJaNS1Nbc9MoW4LhRxctWJ_8HmnKhjuKW40d4bewALIJpJYot2X8FsS-NTr0LaPsJ4rAAS-zp4K9vlpKW_SsPe29STe_GJ0VKB0p2C18sX7WC',
                    'SERVERID': '04ead23841720026ba009cb4f597ec8c|1566653061|1566652046',
                    '__gads': 'ID=ae065093c3816478:T=1523979454:S=ALNI_MYA9AUiW8F72qKRLOTLGedFqt2nLw',
                    '_ga': 'GA1.2.1968144735.1498924730',
                    '_gid': 'GA1.2.466366568.1566609068'
                },
                callback=self.parse
            )

    def parse(self, response):
        """1. post list page"""
        edit_page_url = 'https://i.cnblogs.com/EditPosts.aspx?postid={0}&update=1'
        post_list_items = response.xpath('//tr[contains(@id,"post-row-")]')
        for postListItem in post_list_items:
            try:
                tr_id = postListItem.xpath('@id').extract_first()
                if tr_id:
                    yield Request(edit_page_url.format(tr_id[9:len(tr_id)]), callback=self.parse_edit_page)
            except(IndexError, TypeError):
                continue


    def parse_edit_page(self, response):
        """2. post edit page"""
        post_title = response.xpath('//input[@id="Editor_Edit_txbTitle"]/@value').extract_first()
        post_content = response.xpath('//textarea[@id="Editor_Edit_EditorBody"]').xpath('text()').extract_first()
        item = CnblogsPostItem()
        item['title'] = post_title
        item['content'] = post_content
        yield item